CognoStroke: Automated Cognitive and Mood Assessment on the Hyper-Acute Stroke Unit
Notice bibliographique
Résumé
Background: Cognitive and mood impairments are common in Stroke Survivors (SSs), leading to worse outcomes and poorer quality of life measures. Current methods of assessment of mood and cognitive performance are time consuming and rely on health care professionals. This makes assessment in hyper-acute stroke units (HASU) difficult. Here we describe the use of CognoStroke, an automated assessment of mood and cognitive impairment in the HASU. Methods: Using conversational interaction delivered through a virtual, web-based agent (CognosStroke), speech analysis was performed using three large language models (GPT2, Facebook.BART-based, and RobERTa-base) to classify thresholds levels of MoCA (threshold: 22,23,24,25,26), GAD-7 (above 5 and 10), and PHQ-9 (above 5 and 10). Results are presented as Macro F1-scores (MFSs). Patients were asked about barriers to using CogonStroke. Results: A total of 151 SSs agreed to perform CognoStroke, with 75 completing the full assessment. The best MFS of 0.723 was achieved using CognoStroke for thresholding a MoCA of 26. The MFS improved further to 0.783 when single prompts or a smaller combination of prompts from the CognoStroke bank were used. For the PHQ-9 a MFS of 0.686 was achieved thresholding above 10 and on the GAD-7 a MFS of 0.617 was achieved for thresholding above 5. Single prompts or smaller prompt combinations again achieved higher MFSs. Discussion: CognoStroke has potential to classify SSs into groups with high or low cognitive and mood thresholds, highlighting benefits for improving post-stroke cognitive assessment. Challenges of automated assessment on the HASU include patient computer access, anxiety in using technology, post-stroke fatigue, and computer literacy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».